Se presentará la librería scikit-learn como herramienta central para implementar modelos de aprendizaje automático en Python. Se explorarán sus funcionalidades y se aprenderá a preparar datos para entrenar modelos sobre conjuntos de tamaño medio (middle data).

Se explicarán los fundamentos de los modelos supervisados, diferenciando entre problemas de regresión (predicción de valores continuos) y clasificación (asignación de categorías). Se implementarán y evaluarán modelos representativos en cada caso.

Se abordarán las técnicas para evaluar el rendimiento de los modelos de forma robusta, mediante partición de datos (train/test), validación cruzada y métricas específicas según el tipo de problema. Se hará hincapié en la detección de sobreajuste y subajuste.

Se enseñarán métodos para ajustar de forma óptima los hiperparámetros de un modelo, utilizando técnicas como grid search o random search, con el fin de mejorar su precisión y generalización.

Se introducirán los algoritmos no supervisados orientados a la agrupación de datos (clustering). Se estudiarán sus aplicaciones prácticas y se aprenderá a interpretar los resultados para descubrir patrones sin etiquetas previas.